Evaluation de la dynamique spatio-temporelle de l'évolution de la covid a Libreville par une approche machine learning

16. Modélisation : Choix de l'algorithme d'entrainement.

Pour ce faire il plusieurs méthodes parmi les lequel la sélection du modèle par la revue systématique de la littérature ou la méthode expérimentale avec comparaison des performances des modèles. Dans le cadre de ce mémoire nous avons opté pour la revue systématique de la littérature.

D'abord le chef-ouvre de Zenah ALZUBAIDI, consignés dans leurs travaux de recherche pour le mémoire de Master de Institut de technologie de Rochester de Dubaï, sur le thème : «A Comparative Study on Statistical and Machine Learning Forecasting ». Elle a procédé à une étude comparative des modèles de prédictions les plus usuelles et a établi les avantages et les inconvénients de ces modèles qui sont résumés dans le tableau 7 suivant :

Tableau 7: comparaison de modèle de Machine Learning la prédiction des séries temporelles

Avantages et inconvénients des prévisions du modèle S/ARIMAAvantagesIncontinentsPeut gérer les composants de tendance et de saisonnalitéSuppose que la série chronologique ne contient pas d'anomaliesPrévisions impartiales et niveaux de confiance réalistesLes paramètres du modèle et le terme d'erreur sont constantsAvantages et inconvénients des prévisions du modèle FBPAvantages Incontinents Robuste aux points de données manquants et aux valeurs aberrantesLes modèles multiplicatifs ne peuvent pas être utilisés dans le prophètePrend en compte les effets de vacancesRéglage manuellement pour des données à saisonnalité multiple Avantages et inconvénients des prévisions du modèle LSTMAvantages Incontinents Capable d'apprendre la saisonnalité et les oscillations dans les données nécessite une grande quantité de données historiques pour créer de prédiction fiable Utile pour les données séquentiellesNécessite une Grande capacité mémoire de calcul nécessaire.

Source:(ALZUBAIDI, 2020)

En effet une bonne partie des travaux de prédiction de la covid-19 à l'aide du modèle de Facebook Prophet ont donné des résultats satisfaisants. Parmi ceux travaux trois méritent d'êtrecités ici.

· D'abord les travaux du Dr Zahra Taheride l'université de Téhéran, dans l'article intitulé « Spread Visualization and Prediction of the Novel Coronavirus Disease COVID-19 Using Machine Learning  »où elle a testé une dizaine de modèle de Machine Learning sur des données de la Covid-19 provenant de l'Université de Johns Hopkins. Elle est parvenu à la conclusion suivante : sur l'ensemble de données de la covid-19, Facebook Prophet avait en moyen un temps d'exécution plus faible et une bonne performance par aux autres modèle comme ARIMA.

· Ensuite les travaux de BOULEKCHER Rachida et KABOUR Oussama, consignés dans leurs travaux de recherche pour le mémoire de Master, sur le thème : « Une approche basée Machine Learning pour la prédiction du Covid-19 en Algérie ». Ils ont réussi a montré que le modèle FacebookProphet était plus performant et plus adapté que le modèle ARIMA, pour la prédiction de la Covid-19, selon la métrique R2-score (tableau 8).

Tableau 8 : Performances de Prophet et de ARIMA selon la metrique R2-score

	Prophet	ARIMA
Cas confirmées en Algérie au 23/04/2021	0.904	0.846

Source : (BOULEKCHER & KABOUR, 2021)

Enfin les travaux de Arnau Gispert BECERRA, consignés dans ses travaux de recherche pour le mémoire de « bachelor's degree in telecommunications technologies and services engineering », sur le thème : «Time series forecasting using SARIMA and SANN models». Où il a pu montrer que sur un dataset de 1000 entrées, le modèleFacebook Prophet (FBP)était 7 sept fois plus rapide que le modèle SARIMA et 40 fois plus rapide que le modèle LTSM (voir le tableau 9).

Tableau 9:récapitulatif des paramètres de performance de prévision

Modèle	Temps d'exécution en seconde	Erreur moyenne absolue (MAE)	Erreur quadratique moyenne (RMSE)
ARIMA saisonnier	7,962	0,721	0,965
LSTM	43,912	0,906	1,172
prophète	1,992	0,640	0.802

Source: (Becerra, 2021)

On peut retenir de cette revue de la littérature que Prophet s'efforce de fournir un modèle simple à utiliser et suffisamment sophistiqué pour fournir des résultats significatifs. La robustesse, la facilité de configuration et la rapidité d'installation de Prophet attirent les non-experts et les utilisateurs ayant des connaissances statistiques limitées pour déployer Prophet au sein de leur organisation.

Au final nous avons choisi l'algorithme facebook prophet pour concevoir le modèle de prédiction proposée. En effet :

· Prophet est fort dans le traitement des données manquantes, capturant les changements de tendance et les grandes valeurs aberrantes.

· Prophet arrive à une estimation raisonnable des données mixtes sans effort manuel.

· Prophet est optimisé pour les prévisions commerciales observées sur le réseau socialFacebook.

a) Évaluation et validation

A la fin de cette phase, une décision sur l'utilité des résultats des modèles de Machine Learning conçus doit être prise. Pour ce faire, nous allons évaluer les métriques du modèle. Pour le modèle de Facebook Prophet, nous allons utiliser comme métrique le Rscore2 et le RMSE (voir le chapitre suivant).